1.  矩陣和各種乘法問題

np.mat(a)  將a矩陣化 （或者np.matrix(a)）

np.multiply()   陣列/矩陣對應位置相乘，輸出與相乘陣列/矩陣的大小一致 

np.dot() 對於秩為1的陣列，執行對應位置相乘，然後再相加；對於秩不為1的二維陣列，執行矩陣乘法運算；

           對於矩陣則直接進行矩陣乘積

星號（*）乘法運算  對陣列執行對應位置相乘，對矩陣執行矩陣乘法運算，矩陣和陣列相乘按矩陣乘法計算

@直接對陣列/矩陣進行矩陣乘積運算

np.mean()  求所有元素的平均值

np.sum()求所有元素的和

————————————————————————————————————————————————

np.argmax(a, axis=None, out=None)

返回沿軸最大值的索引值

＃axis = 0 ,表示以行為基準，比較在相同列上的元素的大小返回下標，（每列找一個，有多少列找多少個）

＃axis = 1, 表示以列為基準，比較在相同行上的元素的大小返回下標，（每行找一個，有多少行找多少個）

a : array_like 
陣列 
axis : int, 可選

————————————————————————————————————————————————

np.concatenate((a1, a2, ...), axis=0)

按軸axis連線array組成一個新的array

————————————————————————————————————————————————————————————

np.power(x,num)

計算x的num次冪

不可以計算整數的負整數次冪，當x為整數時，num需要寫為小數形式

————————————————————————————————————————————————————————————

np.random.choice(a, size=None, replace=True, p=None)

如果a是ndarray陣列，隨機樣本在該陣列獲取（取資料元素）

————————————————————————————————————————————————————

numpy.insert(arr,obj,value,axis=None) 
同理，value為插入的數值 
arr:為目標向量 
obj:為目標位置 
value:為想要插入的數值 
axis:為插入的維度

————————————————————————————————————————————————————————————

numpy.meshgrid(x，y)——生成網格點座標矩陣（輸入的x，y，就是網格點的橫縱座標列向量（非矩陣）輸出的X，Y，就是座標                                                 矩陣。）

（在輸入的x,y值把所有的線連起來就成了網狀格 ，輸出的X每列數各自相同，Y每行各自相同）

————————————————————————————————————————————————————————————

 numpy.ravel()       numpy.flatten()

兩者所要實現的功能是一致的（將多維陣列降位一維），兩者的區別在於返回拷貝（copy）還是返回檢視（view），numpy.flatten()返回一份拷貝，對拷貝所做的修改不會影響（reflects）原始矩陣，而numpy.ravel()返回的是檢視（view，也頗有幾分C/C++引用reference的意味），會影響（reflects）原始矩陣。

————————————————————————————————————————————————————————————

np.random.randint(low,high, size)

ow、high、size三個引數。預設high是None,如果只有low，那範圍就是[0,low)。如果有high，範圍就是[low,high)。size表示最後返回的資料的結構大小

————————————————————————————————————————————————————————————

np.unique()

 對於一維列表或陣列A:

a, s,p = np.unique(A, return_index=True, return_inverse=True)

nique函式去除其中重複的元素，並按元素由大到小返回一個新的無元素重複的元組或者列表a

return_index=True表示返回新列表元素在舊列表中的位置，並以列表形式儲存在s中。

return_inverse=True 表示返回舊列表元素在新列表中的位置，並以列表形式儲存在p中

 對於二維陣列(“darray數字型別”):

A = np.array(A)   #列表型別需轉為陣列型別

a, s, p = np.unique(A.view(A.dtype.descr * A.shape[1]), return_index=True, return_inverse=True)

這裡面最小單位就是一個維（也就是一行）的資料，而不是一個單獨的資料了